[发明专利]一种基于卷积神经网络的光谱成像系统的高质量重构方法

说明书

本发明公开的一种基于卷积神经网络的光谱成像系统的高质量重构方法，属于计算摄像学领域。本发明应用于基于编码孔径快照光谱成像系统，在高光谱图像的重构过程中分别考虑图像间的空间相关性和光谱相关性，使用残差学习加速网络的训练速度和收敛速率，并使用GPU完成对整个网络的优化求解；使用随机梯度下降法更新网络参数；逐块处理完成高光谱图像的重建。本发明能够高质量地完成CASSI光谱成像系统的高光谱图像重建，在保证重建结果具备高空间分辨率和高光谱保真性的同时，大幅度提高高光谱图像重建的效率，扩展高光谱图像的应用范围。本发明可用于地质勘探、农业生产和生物医学等多个领域。

技术领域

本发明专利涉及一种用于光谱成像的高光谱图像高质量重构方法，尤其涉及能够快速获取高质量高光谱图像的方法，属于计算摄像学领域。

背景技术

高光谱成像技术是一种将空间成像技术与光谱成像技术相结合的技术，能够密集的采集场景中每一个点的光谱信号。该技术采集得到的数据立方体即为高光谱图像，包含目标场景的二维空间信息和一维光谱信息。该技术已经被应用于地质勘探、农业生产和生物医学等多个领域。由于目前存在的二维成像传感器的限制，不能简单的通过一次曝光获取三维的高光谱图像。传统的高光谱成像技术选择牺牲时间维，沿着空间维或者光谱维扫描采集整张高光谱图像，所以基于扫描的技术不能够用于采集动态的场景。

目前，基于多种光学设计和精细重构算法的计算光谱成像技术已经成为该领域的研究热点并有广泛应用。基于压缩感知理论，Ashwin Wagadarikar等人提出的编码孔径快照光谱成像仪(Coded Aperture Snapshot Spectral Imager,CASSI)利用二值化的编码孔径和色散介质对三维高光谱图像进行调制，使用探测器获取三维高光谱数据的二维压缩图像。再使用优化算法从二维的图像重构潜在的三维高光谱图像。

计算重建算法在压缩高光谱成像系统中占有重要地位。后续的重构问题是如何从二维压缩测量中得到底层的三维高光谱图像。这种推导是病态的，图像先验对重建起着至关重要的作用。在CASSI的早期开发中，采用了稀疏重建(GPSR)算法的梯度投影，将整个三维高光谱图像的稀疏性约束强加于正交基之上。随后，采用两步迭代收缩/阈值(TwIST)算法，结合总变差分(TV)先验，提供更高的重构保真度。TV先验在保持边界和恢复平滑区域方面已经被证明是有效的，但是由于局部平滑的假设，它往往会抹掉图像细节。最近，Tan通过对近似消息传递(approximate message passing,AMP)框架的集成，提出在每次迭代中使用自适应维纳滤波器作为图像去噪器。与TwIST和GPSR相比，AMP具有更好的性能，同时具有无需参数整定的优点。提出了盲压缩感知(BCS)和在线字典学习来解决CASSI系统的高光谱图像重构问题。BCS努力从压缩测量中共同推断出目标图像，并学习图像的模型(如字典或稀疏基)。第一次尝试将BCS应用到多帧CASSI中，使用贝叶斯实现，强制每个小的三维高光谱立方体是字典原子的稀疏组合。在此基础上，提出了一种新的基于全局局部收缩的BCS模型。进一步利用非局部相似性，提出了具有改进性能的三维非局部稀疏表示模型。在改进重构算法的同时，研究人员也在努力利用并行性降低重构的复杂度，加快重构的速度。利用系统成像机制的性质，将基于图像的重构分解为基于块的重构是目前比较突出的策略。

基于卷积神经网络的方法可以有效地学习复杂特征并已经广泛应用于高光谱图像处理。Xiong首先将RGB图像通过简单的插值或者CASSI图像通过重构算法得到初始的高光谱图像，然后采用基于卷积神经网络的方法对初始化的结果进行增强，得到高质量的高光谱图像。Choi通过构建卷积自编码器而不是字典学习来表示非线性光谱表示，并与空间域中梯度稀疏性共同正则化，从而从压缩图像重构高光谱图像。这两种方法都可以用于从CASSI系统重构高光谱图像，但都借用传统的压缩感知重构算法。

发明内容

针对现有算法存在的没有考虑成像过程、重构图像质量低等问题。本发明公开的一种基于卷积神经网络的光谱成像系统的高质量重构方法要解决的技术问题是：快速完成编码孔径快照成像系统的重构，具有重构速度快，成像质量高等优点。